基于部件模型的无人机系统小样本车辆目标识别方法

对地目标检测与识别是无人机系统典型任务之一,但受限于任务特殊性,往往难以获取足够的目标样本数据以实现高可靠的目标识别。为此,结合人的认知特性,提出一种基于部件模型的小样本车辆目标识别方法,可有效提高无人机感知能力。采用视觉显著性检测与物体性检测相结合的检测方法,提取目标可能区域;采用基于图论的GrabCut方法与最大类间方差法相结合的分割方法,分割目标并提取目标内部件;采用基于概率图模型的部件识别方法,通过将部件轮廓稀疏表示为条件随机场,并进行概率推理实现部件识别;采用基于贝叶斯的目标识别方法完成目标是否为车辆的判断。通过无人机拍摄的车辆图像验证表明,算法可在样本较少、光照变化、存在遮挡等情况下,以较高准确率检测并识别出车辆目标,同时识别算法具有一定可解释性。     

改进的YOLOv5地面军事目标识别算法

针对战场复杂背景下地面军事目标识别算法性能较低的问题,提出一种基于并行注意力机制的PAL-YOLO地面军事目标识别算法。该算法在自建地面军事目标数据集下,对目标的锚框进行重新聚类;在网络的Backbone中加入通道-空间并行注意力机制模块,提升目标特征提取能力;通过采用Alpha＿IoU对目标识别分类器的损失函数进行改进,加速模型收敛。结果表明,改进后的算法在保证模型空间复杂度的同时,mAP值提升了6.4%,FPS提升6%。     

基于TensorFlow的四旋翼无人机着陆地标识别

针对多旋翼无人机在无人干预情况下的自主着陆问题,提出一种基于迁移学习的地面标识图像检测方法.该方法基于TensorFlow深度学习框架,使用迁移学习技术在地面标识数据集上重新训练Inception-v3模型以构建新的地面标识识别模型.以四旋翼无人机为例,将其拍摄的着陆坪图片与其他地面标识图片作为训练集输入神经网络,通过多次训练校正神经网络参数.实验结果表明,基于迁移学习的四旋翼无人机着陆地标识别比直接基于In-ception-v3模型的识别效果要好得多,在仅有数千张训练图片的情况下,测试准确率超过90％.在Windows下训练、测试的模型可移植到树莓派3B上,完成了基于Python和TensorFlow开发的程序在不同操作系统下运行的验证工作.     

联合生成对抗网络和检测网络的SAR图像目标检测

针对合成孔径雷达图像目标检测中存在的样本获取困难且数量有限问题,提出了联合生成对抗网络和检测网络的学习模型。利用原始训练集对特别设计的超快区域卷积神经网络进行预训练;再通过基于注意力机制的深度学习生成对抗网络生成高质量合成样本,并输入检测网络进行预测;依据预测信息和概率等价类属标签分配策略为新生样本提供注释信息,并以一定占比对原始训练集进行扩充;利用扩充数据集对检测网络进行再训练。多组仿真实验证明,所提框架能够有效提升网络检测效率和性能。     

多无人机协作侦察中的车辆再识别

在多无人机协作侦察中,匹配识别不同无人机侦察发现的装甲车辆,属于车辆再识别任务。近年来,车辆再识别技术在智能交通领域得到了快速发展,但是该技术尚未在军事领域得到充分的关注和应用。本文围绕该技术的发展和军事应用展开研究,一方面,从数据集、特征表示、注意力学习、度量学习、属性学习等方面对民用车辆再识别技术进展进行综述,分析总结了现有技术的优点和劣势,提出了有待深入探索的研究方向;另一方面,以多无人机协作侦察任务为背景,探讨分析了车辆再识别在其中的作战运用方式,并针对战场上存在的计算资源有限、环境复杂多变等因素导致车辆再识别性能下降问题,提出了可能的解决思路。本文研究可为车辆再识别技术在多无人机协作侦察中的应用提供前瞻性参考。     

基于城市作战的隐匿小目标识别技术

随着人工智能技术的飞速发展,能够自动识别、锁定和打击目标的智能化武器系统逐渐出现,代替人类执行简单的决策命令,高精度目标识别算法是智能化武器精确打击的前提。目前城市作战越来越受到世界各军事强国的高度重视。城市战场态势瞬息万变,复杂的伪装技术、目标遮挡和恶劣环境条件,给智能目标识别带来严峻的挑战。以当前先进的目标识别模型YOLOv5为基础模型,提出了一种可以多尺度学习空间和通道信息的卷积注意力模块MS-CBAM,允许每个神经元根据输入信息自适应地调整其感受野大小。实验结果表明,在国际公开COCO数据集和自建数据集Long-distance PC Dataset上mAP分别提升了0.5%和2%。训练好的轻量级模型经过TensorRT加速部署在NVIDIA JETSON TX2,实时检测帧为20 ms,满足实时检测要求。该系统也可以作为智能武器系统的一个模块,对自主型武器和无人作战系统具有一定的借鉴意义。     

基于卷积神经网络的无人机图像模糊类型识别

为了提高无人机图像模糊类型识别的准确率,提出一种基于卷积神经网络(Convolutional Neural Network,CNN)的无人机图像模糊类型识别方法。通过样本预处理策略对无人机模糊图像样本进行处理,提高了方法的识别效率,同时降低了错误率。提出一种适用于模糊图像灰度频谱图的卷积神经网络结构,并利用训练样本对网络进行训练,增强了网络结构的针对性,提高了训练模型的识别准确率。利用测试样本对训练的网络模型进行测试,验证方法的鲁棒性。实验结果表明,将卷积神经网络应用于图像模糊类型识别,取得了良好的效果,针对实验环境下的无人机运动、离焦和大气散射3种模糊图像类型的识别准确率较高,所提方法的鲁棒性强、实用价值大。     

标准化全连接残差网络空战目标威胁评估

针对空战态势中威胁评估传统方法存在缺乏自学习能力和面对大样本数据集推理能力不足的问题,提出了利用深度学习的基于标准化全连接残差网络空战目标威胁评估的方法。将影响空战目标威胁的主要因素作为输入,利用普通全连接神经网络训练模型的自学习能力,结合批量标准化(Batch Normalization)的优化算法和结构优化的残差网络(ResNet)增强网络的自学习能力,比较了样本的标记和网络模型的输出。分析了训练样本个数对网络训练准确率和损失变化的影响,对比了3种不同数据量下的训练模型在同一测试集下测试的准确率和损失变化。结果表明,该方法可以快速准确地评估空战中目标的威胁程度。     

最大隶属原则在无人机情报识别中的应用

本文分析战场目标特征,探讨影响无人机照相侦察能力的因素,提出用最大隶属原则识别无人机侦察情报的方法。通过仿真举例,验证这种方法的有效性和可行性。     

基于不稳定性采样的主动学习方法

传统的主动学习方法往往仅基于当前的目标模型来挑选样本,而忽略了历史模型所蕴含的对未标注样本预测稳定性的信息。因此,提出基于不稳定性采样的主动学习方法,依据历史模型的预测差异来估计每个未标注样本对提高模型性能的潜在效用。该方法基于历史模型对样本的预测后验概率之间的差异来衡量无标注样本的不稳定性,并挑选最不稳定的样本进行查询。在多个数据集上的大量实验结果验证了方法的有效性。     

多模态交叉解耦的少样本学习方法

当前的多模态少样本学习方法忽视了属性间差异对正确识别样本类别的影响。针对这一问题,提出一种利用多模态交叉解耦的方法,通过解耦不同属性语义特征,并经过特征重建学习样本的本质类别特征,缓解类别属性差异对类别判别的影响。在两个属性差异较大的基准少样本数据集MIT-States和C-GQA上进行的大量实验表明,所提方法较现有方法有较大的性能提升,充分验证了方法的有效性,表明多模态交叉解耦的少样本学习方法能够提升识别少量测试样本的分类性能。     

城市环境下单无人机测向定位航迹优化算法

为解决单架无人机在城市环境中对辐射源目标的定位问题,提出了一种基于环境预测法的单无人机测向定位航迹优化算法。使用交互多模型-扩展卡尔曼滤波进行视距和非视距信号混合环境下的目标估计。结合估计的目标位置和城市地理信息模型,基于视线追踪法求解信号遮挡区域和多径信号干扰区域。在滚动时域控制算法框架下生成无人机预测轨迹,以最大化Fisher信息矩阵行列式为测向定位评价准则,考虑建筑物障碍以及其对信号的遮挡和反射效应对无人机测向定位航迹的影响,控制无人机选择最优航向飞行。仿真结果表明,该方法能够使无人机在存在障碍、信号遮挡和多径干扰的环境下实现对目标的高精度测向定位,为解决城市环境下的单架无人机测向定位问题提供了新思路。     

基于飞蛾信息素寻偶机制的无人机集群协同搜索

为了提高无人机集群协同搜索移动目标的效率,提出一种基于飞蛾信息素寻偶机制的无人机集群协同搜索方法。根据飞蛾基于信息素选择飞行方向的寻偶行为,建立信息素图风向模型和飞蛾信息素寻偶模型。考虑无人机机间避撞约束,提出从飞蛾信息素寻偶机制到无人机集群分布式协同搜索的映射,并给出具体实现流程。仿真实验结果表明了所提方法在解决单个移动目标的协同搜索问题时的有效性和稳定性;外场飞行试验表明了所提方法在实际应用中的可行性。     

Maneuvering target tracking of UAV based on MN-DDPG and transfer learning

Tracking maneuvering target in real time autonomously and accurately in an uncertain environment is one of the challenging missions for unmanned aerial vehicles(UAVs).In this paper,aiming to address the control problem of maneuvering target tracking and obstacle avoidance,an online path planning approach for UAV is developed based on deep reinforcement learning.Through end-to-end learning powered by neural networks,the proposed approach can achieve the perception of the environment and continuous motion output control.This proposed approach includes:(1)A deep deterministic policy gradient(DDPG)-based control framework to provide learning and autonomous decision-making capa-bility for UAVs;(2)An improved method named MN-DDPG for introducing a type of mixed noises to assist UAV with exploring stochastic strategies for online optimal planning;and(3)An algorithm of task-decomposition and pre-training for efficient transfer learning to improve the generalization capability of UAV's control model built based on MN-DDPG.The experimental simulation results have verified that the proposed approach can achieve good self-adaptive adjustment of UAV's flight attitude in the tasks of maneuvering target tracking with a significant improvement in generalization capability and training efficiency of UAV tracking controller in uncertain environments.     

多特征的UAV快速目标识别算法仿真

针对UAV(Unmanned Aerial Vehicle)侦察图像快速目标识别问题,重点展开基于多特征的UAV快速目标识别算法的仿真研究。算法结合图像的不变矩特征和SIFT特征,首先用不变矩特征构造适应度函数并利用遗传算法的全局搜索能力,在侦察图像中进行搜索,快速提取出可能包含目标的感兴趣区域(ROI,Region of Interest);然后采用尺度不变特征变换算法(SIFT,Scale Invariant Feature Transform)在ROI区域中进行匹配识别,从而确定目标的精确位置。仿真结果表明:算法具有较强的鲁棒性,能有效地识别飞机目标并显著减少识别时间,为UAV系统提供了一种近实时的目标识别方法。     

基于支持向量机的多传感器空中目标识别研究

针对空中目标识别的复杂性,将支持向量机引入对空中目标的多传感器识别,对其机理进行了详细分析,建立了基于支持向量机的空中目标识别的算法模型.仿真实验的结果表明,该方法具有很好的识别效果,并且是一种能在训练样本很少的情况下达到很好分类推广能力的学习算法.     

改进博弈论的舰载无人机编队协同对海突击目标分配

目标分配问题是UAV自主控制的重要问题。针对舰载无人机编队协同对海突击目标分配问题,首先建立了基于离散动态贝叶斯网络的目标价值评估模型,在此基础上构建了舰载无人机编队的益损值矩阵,设计了舰载无人机编队协同对海突击目标分配的决策函数,提出了一种基于改进博弈论的目标分配方法,为4种不同约束条件下的目标分配问题分别设计了算法。最后对所建立的目标价值评估模型和改进博弈论的目标分配算法进行了实例仿真,仿真结果表明了模型和算法的可行性和有效性。     

基于深度时频特征学习的雷达辐射源识别

针对雷达辐射源识别中拓展能力不足和识别率不高问题进行研究,提出一种基于深度时频特征学习的智能识别方法。基于降采样短时傅里叶变换高效提取具备较高辨识度和稳定性的浅层二维时频特征,利用信号局部频域维稀疏性完成降噪等预处理；设计用于深度特征学习与识别的卷积神经网络,并采用不同尺度卷积核组合扩展网络广度,强化特征表征能力；利用高信噪比条件下8种辐射源信号样本对网络进行训练调优,低信噪比样本测试验证算法和网络的有效性。仿真结果表明,该方式在-8 dB信噪比条件下能达到98.31%的整体平均识别率,具备较强的鲁棒性。     

基于改进核极限学习机和集成学习理论的目标机动轨迹预测

为了提高目标轨迹预测的精度以及预测模型的泛化能力,提出基于改进蝙蝠算法优化的核极限学习机(Kernel Extreme Learning Machine,KELM)和集成学习理论目标机动轨迹预测模型。构建KELM模型,并采用改进的蝙蝠算法对KELM的参数进行优化;以优化后的KELM神经网络为弱预测器,结合集成学习算法生成强预测器,通过训练不断优化强预测的结构和参数,得到一种基于集成学习理论的目标机动轨迹预测模型;基于不同规模的样本,将所得预测模型与逆传播神经网络、支持向量机和极限学习机等模型进行对比分析。仿真结果表明:所提目标机动轨迹预测模型具有较好的预测精度和泛化能力。